摘要
乳腺癌是女性最常见的癌症之一，已成为全球发病率最高的恶性肿瘤。乳腺超声凭借着无创、低辐射、实时性等优势，成为乳腺癌筛查和诊断中不可或缺的重要工具。乳腺超声图像分割是智能辅助诊断系统中至关重要的组成部分，早期传统的手工分割方法存在效率低下、主观性强以及对医生经验的高度依赖。随着计算机软硬件设备和深度学习的迅猛发展，卷积神经网络在乳腺超声图像分割中取得显著成就。然而，基于神经网络的乳腺超声图像分割算法还存在诸多挑战：（1）乳腺超声图像中病灶的形状、大小和位置是多变的，并且病灶与非病灶区域具有相似的视觉外观，（2）对比度低的乳腺超声图像中大量的斑点噪声和伪影，这导致了病灶边界模糊，（3）数据的采集和标注耗时耗力，并且需要经验丰富的专业临床医生。为应对上述挑战，本文采用了半监督学习、原型学习和对比学习等先进技术，探索了基于卷积神经网络的不同半监督学习算法，致力于解决数据困难和标注稀缺问题。 为了充分探索乳腺超声病变和背景之间的结构变化，本文首先提出了基于原型引导的半监督乳腺超声分割算法。该算法遵循了一个温和的助教（GTA-Seg）的训练策略，核心思想是通过有标签数据引导无标签数据的特征分布对齐学习，在特征级和输出级上同时从像素到原型对比学习来保证伪标签的质量。具体而言，通过在有标签特征上提供引导，使得相同类别的特征分布保持一致，不同类别的特征分布分离，这有助于挖掘有标签图像和无标签图像之间的丰富表征关联，同时减轻了无标签图像中挑战性区域带来的误导。此外，定义了慢加热自适应阈值策略，该策略旨在训练中不断学习获取更高质量的伪标签并且提高模型分割性能。 考虑到对比度低的乳腺超声图像中大量的斑点噪声和伪影，单网络训练易受错误伪标签指导引起偏差，本文提出了新颖的稳健和探索性网络联合决策学习算法，用于乳腺超声图像的半监督分割任务。该算法用两种不同但互补的监督，来训练两个平行的网络，使整个模型能够从未标记的图像中学习更丰富的表征。对于预测的一致性，本文依然将两个网络产生相同结果的预测视为准确的伪标签，将可信的“交叉”部分用于稳健网络的稳定发展。而对于预测的不一致性，本文采用了一种偏差认知引导的决策方法，以确认“联合”部分的伪标签。在这一设计中，稳健网络在受到交叉部分的监督时能够使用高质量的伪标签进行演化，而探索型分支则在联合部分的监督下使用大量的伪标签进行探索。这两个分支在求同存异的基础上相互协作，实现了稳健型和探索型的合作发展。 为了验证本文提出算法的优越性，在BUSIDataset和UDIATDatasetB两个乳腺超声图像数据集上完成了消融实验和对比实验。通过对性能统计和视觉比较的结果进行展示，实验验证了本文所提出的方法在解决乳腺超声图像半监督分割任务中的挑战中取得了更好的性能。
NETL